hive
Hive定义:hive是Hadoop的一个数据仓库工具可以将结构化的数据映射为一张表,并提供了类SQL查询功能。
本质:将hql转化为mapreduce程序
什么是hive?
是Facebook开源用于解决海量结构日志的数据统计
Hive处理的数据存储在hdfs上
Hive分析数据底层的实现是mapreduce
执行程序运行在yarn上
Hive的优缺点:
优:操作接口采用类SQL语法,提供快速开发的能力(简单,容易上手)
避免去写mapreduce,减少了开发人员的学习成本。
Hive的执行延迟比较高,因此Hive常用于数据分析,对实时性要求不高的场合。
因从适用于数据量较大
Hive优势在于处理大数据,对于处理小数据没有优势,因为Hive的执行延迟比较高。
Hive支持用户自定义函数,用户可以根据自己的需求来实现自己的函数。
缺:hive的HQL的表达能力有限
迭代式算法无法表达
数据挖掘方面不擅长,由于MapReduce数据处理流程的限制,效率更高的算法却无法实现。
Hive的效率比较低
Hive自动生成的MapReduce作业,通常情况下不够智能化
Hive调优比较困难,粒度较粗
Hive的架构:客户端
元数据
驱动器(编译器、解析器、优化器、执行器)
Hadoop
Hive和数据库的区别:查询语言、数据存储位置、数据更新、执行、执行延迟、可扩展性、数据规模
hive元数据包括哪些,存在哪里
元数据包括:表名、表所属的数据库(默认是default)、表的拥有者、列/分区字段、表的类型(是否是外部表)、表的数据所在目录等;
默认存储在自带的derby数据库中,推荐使用MySQL存储Metastore
内部表外部表区别:
在删除表的时候,内部表的元数据和数据会被一起删除
外部表只删除元数据,不删除数据
往表中添加数据的5种方式:装载、追加、覆盖、插入、保留到新建表中
往分区中添加数据的3种方式:装载、追加、覆盖
order by、sort by用法区别:
Order by:全局排序只有一个reduce
Sort by:不进行全局排序有多个reduce
hive的优化